SONGE DU DOCTEUR, ICONOGRAPHIE D'UNE GRAVURE DE DURER (LE)

L'analyse de données joue un rôle croissant dans la recherche agronomique, l'expertise scientifique et les études prospectives. Des sources de données multiples sont souvent disponibles pour estimer un paramètre clé ou pour tester une hypothèse d'intérêt scientifique ou sociétal. Ces données, obtenues dans différentes conditions environnementales ou basées sur différents protocoles expérimentaux, sont généralement hétérogènes. Parfois même, elles ne sont pas accessibles et il est nécessaire de les extraire d'articles scientifiques ou de rapports. Pourtant, une analyse globale des données disponibles est essentielle pour augmenter la précision des estimations, évaluer la robustesse des conclusions et comprendre l'origine de la variabilité de certains résultats. Une synthèse quantitative de l'ensemble des données disponibles permet de mieux comprendre les effets de facteurs expérimentaux et d'affiner les recommandations agronomiques. Conçu comme un guide méthodologique, cet ouvrage montre les intérêts et les limites de différentes méthodes statistiques permettant d'analyser des données issues de réseaux expérimentaux et de réaliser des méta-analyses. Il s'adresse aux ingénieurs, étudiants et chercheurs impliqués dans l'analyse de données agronomiques. Notre objectif est de présenter les principales méthodes statistiques permettant de réaliser une synthèse quantitative des données issues des réseaux expérimentaux et des publications scientifiques. Chaque chapitre expose une ou plusieurs méthodes et les illustre à l'aide d'exemples traités avec le logiciel R. Les données et les codes R sont fournis et commentés afin de faciliter leur adaptation à d'autres situations pratiques. Ils peuvent être utilisés à partir du "package" R KenSyn associé à ce livre.

L'objectif de la data science est de répondre à des questions opérationnelles en analysant des données. Dans ce but, le data scientist récupère, stocke, organise, traite une masse d'informations afin d'en tirer de la valeur. Si la data science a acquis une grande renommée dans de nombreux domaines comme la reconnaissance d'images ou la fouille de données sur internet, son utilisation en agriculture et, plus largement dans les sciences environnementales, reste encore limitée. Pourtant, dans ces domaines, le champ des applications possibles est très vaste. Potentiellement, la data science peut être utilisée pour évaluer l'impact des activités humaines sur les risques de pollution et les émissions de gaz à effet de serre, prédire en temps réel les rendements des cultures et la production des systèmes d'élevage, suivre l'évolution de l'usage des sols à partir de données satellitaires, ou prédire l'impact du changement climatique. Ce manuel d'initiation vise à démocratiser l'usage de la data science pour des applications en lien avec l'agriculture et l'environnement. L'ouvrage couvre les principales méthodes couramment utilisées pour la prédiction, la classification et le partitionnement de données. Il comporte à la fois des explications détaillées du fonctionnement de chaque méthode, une description de codes R et Python permettant leur utilisation pratique, et des exemples d'applications concrètes en lien avec les sciences agricoles et environnementales.